醫學人工智能技術與系統研發-消化內鏡輔助實時診斷和風險監測系統的研發。（浙江省重點研發計劃：2020C03074，1000萬，其中浙江省科技廳撥款200萬，2020.01-2023.12）。該項目由合作醫院三門醫院主持，研發團隊來自浙江大學醫學院附屬第二醫院、浙江工業大學、中國計量大學，以及浙江愛達科技有限公司。浙江愛達科技有限公司負責該項目的產品落地所需的軟硬件技術支持。
該項目主要研究內容為利用人工智能技術，實現多源信息融合的消化內鏡輔助實時診斷和穿孔風險監測。設計的計算機輔助系統主要功能包括：
1：胃腸道站點分類，即判斷拍攝的圖像屬于哪一個器官，哪一個部位。

授權發明專利：一種基于多特征融合的膠囊內窺鏡圖像分類方法，ZL201811515944.7

2：常見胃腸道疾病的輔助診斷，即判斷圖像中是否存在病灶，可能是什么疾病
2.1： 利用特征模型的方法實現腸道中常見疾病分類，分為健康、息肉和潰瘍三類，成果：先驗權重共享碼本下內窺鏡圖像大腸病變分類，中國圖象圖形學報，2021. vol 6，性能如下：
2.2： 利用人工智能的方法實現腸道中常見疾病分類，分為健康、息肉和潰瘍三類，成果Effective high-low-level feature aggregation network for WCE image classification， IEEE SPL 2021，系統框圖和性能如下所示

3：胃腸鏡圖像分割，包括病灶區域標注及器官壁血管分割。
3.1 基于顯著性的出血區域分割，有點：適應小規模數據集，利用圖像處理的方法進行病灶區域的分割，成果：融合顏色特征和背景先驗的WCE出血圖像顯著性檢測，航天醫學與醫學工程，2021，性能如下：

3.2：基于模式識別的病灶區域分割方法。利用模式識別領域的聚類算法，實現對任意來源數據集的高效圖像分割。利用此類方法得到的系統具有高靈活性，低復雜度。下圖中展示了出血和息肉的分割結果。主要成果：
[1]Fast hierarchical clustering of local density peaks via an association degree transfer method[J]. Neurocomputing（2區TOP）, 455（2021），401-418
[2] Peak-graph-based fast density peak clustering for image 
segmentation[J]. IEEE Signal Processing Letters, 2021, 28: 897-901
[3]A novel clustering algorithm by adaptively merging sub-clusters based on the Normal-neighbor and Merging force[J]. Pattern Analysis and Applications, 2021.05: 1-18
[4]Fast main peak clustering within relevant regions via a robust decision graph，Pattern Recognition，1區TOP，第二輪審稿中

3.3 利用人工智能中的深度學習方法進行血管分割（相關成果正在第一輪審稿中）效果如下，綠色代表正確分割，紅色代表錯誤分割，黃色代表漏分割，我們的方法相比于現有的其他方法在腸壁血管分割中表現更優異：